Ученые улучшили идентификацию гравитационных волн с помощью машинного обучения

Художественное представление гравитационных волн. Автор: NOIRLab..

В исследовании, опубликованном в Physical Review Letters, описывается новый подход к извлечению информации из бинарных систем, основанный на рассмотрении всего апостериорного распределения вместо принятия решений на основе отдельных параметров.

С момента их обнаружения в 2015 году гравитационные волны стали важнейшим инструментом для астрономов, изучающих раннюю Вселенную, пределы общей теории относительности и космические события, такие как компактные двойные системы.

Двойные системы состоят из двух массивных объектов, таких как нейтронные звезды или черные дыры, которые движутся по спирали друг к другу. Сливаясь вместе, они генерируют рябь в пространстве-времени — гравитационные волны — которые дают нам информацию об обоих объектах.

Проблема, которую рассматривают исследователи в опубликованном исследовании, касается маркировки двух объектов в двойной системе. Согласно соглашению, более тяжелый объект маркируется как «1», а другой как «2». Проблема здесь в том, что эта система становится запутанной, когда имеешь дело с системами, где оба объекта имеют схожие массы в пределах погрешности.

Хотя предыдущие подходы предполагали использование других свойств, таких как величина спина, это все равно создает проблему, когда объекты имеют одинаковые спины.

Исследователи предлагают использовать более целостный подход, исключив зависимость от одного отличающегося параметра. Phys.org поговорил с первым автором доктором Давиде Джероза из Миланского университета Бикокка в Италии, который упомянул, что понимание черных дыр долгое время было его мотивацией.

«Это исследование бросает вызов давнему предположению, которое лежит в основе всех анализов гравитационных волн на сегодняшний день, — предположению, которое не подвергалось сомнению на протяжении десятилетий. Действительно ли стандартный подход — лучший выбор? Что вообще означает определение лучших меток? Машинное обучение обеспечивает мощное решение, основанное на данных».

В исследовательскую группу также вошли двое его студентов, Виола Де Рензис и Федерика Теттони, постдок из его группы Костантино Пасилио, бывший студент Мэтью Молд, ныне работающий в Массачусетском технологическом институте, и давний соратник Альберто Веккьо из Бирмингемского университета.

Полная картина

Исследователи подошли к этой проблеме по-другому, сформулировав ее как ограниченную проблему кластеризации в машинном обучении. Это форма алгоритма полуконтролируемого обучения, который выявляет закономерности в данных, будучи при этом ограниченным определенными условиями.

В этом случае ограничение, наложенное исследователями, заключается в том, что два объекта из одного и того же гравитационно-волнового события должны быть отнесены к разным категориям.

Ключ к этому методу — не полагаться на определенный параметр, например, массу, как дифференциатор, и не делать на него предварительных обязательств. Вместо этого они позволяют самим данным выявить наиболее подходящий способ дифференциации объектов.

«Главное — это понимание того, что стратегия маркировки — это осознанный выбор, который мы должны сделать при рассмотрении данных гравитационных волн. Это концептуальный вопрос, который следует изучить более тщательно, поскольку он потенциально затрагивает все последующие приложения», — пояснил доктор Джероса.

Выше точность, больше уверенности

Исследователи применили свою модель машинного обучения к синтетическим и реальным данным гравитационных волн, полученным с детекторов LIGO, Virgo и KAGRA.

Они обнаружили, что точность измерения спина черных дыр значительно улучшилась, до 50%, а бимодальные распределения в данных, как правило, исчезают. Теперь ученые могли более уверенно различать, является ли объект в системе черной дырой или нейтронной звездой.

«В статье показано, что измерения отдельных спинов могут улучшиться до 50%. Это очень важно. Такая дополнительная точность потребует новых инструментов, в то время как мы показываем, что это достижимо с помощью анализа данных», — сказал доктор Джероса.

Наличие более точных измерений таких параметров, как спины черных дыр, имеет решающее значение для понимания их формирования. Эта методология может иметь важные последствия для измерений спинов черных дыр, которые исторически были сложными.

Исследователи обнаружили, что около 10% апостериорных выборок в данных гравитационных волн от LIGO и Virgo могли бы быть лучше представлены с помощью различных меток. Хотя это число может показаться небольшим, разница в интерпретации событий существенна.

Например, исследователи обнаружили, что для гравитационно-волнового события (GW191103_012549) традиционный подход показал 13%-ную вероятность того, что одна черная дыра в системе вращается в направлении, противоположном направлению орбитального движения.

Однако их новый метод снизил эту вероятность до 0,1%, что означает почти наверняка, что черная дыра вращалась в том же направлении, что и орбита.

«Наш анализ влияет на все измерения гравитационных волн, проводимые как нынешними, так и будущими детекторами», — отметил доктор Джероса, обсуждая будущие обсерватории, такие как LISA (лазерная интерферометрическая космическая антенна) и телескоп Эйнштейна.

Это исследование является классической демонстрацией того, как пересмотр фундаментальных предположений в анализе данных может дать существенные результаты без необходимости в новой информации.

Больше информации: Davide Gerosa et al, Which Is Which? Identification of the Two Compact Objects in Gravitational-Wave Binaries, Physical Review Letters (2025). DOI: 10.1103/PhysRevLett.134.121402. On arXiv: DOI: 10.48550/arxiv.2409.07519